CN109779938A - 一种离心压缩机组智能联锁保护方法 - Google Patents

一种离心压缩机组智能联锁保护方法 Download PDF

Info

Publication number
CN109779938A
CN109779938A CN201811641185.9A CN201811641185A CN109779938A CN 109779938 A CN109779938 A CN 109779938A CN 201811641185 A CN201811641185 A CN 201811641185A CN 109779938 A CN109779938 A CN 109779938A
Authority
CN
China
Prior art keywords
failure
value
systems
centrifugal compressor
compressor unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811641185.9A
Other languages
English (en)
Other versions
CN109779938B (zh
Inventor
高晖
邓化科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING BOHUA XINZHI TECHNOLOGY DEVELOPMENT Co Ltd
Original Assignee
BEIJING BOHUA XINZHI TECHNOLOGY DEVELOPMENT Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BEIJING BOHUA XINZHI TECHNOLOGY DEVELOPMENT Co Ltd filed Critical BEIJING BOHUA XINZHI TECHNOLOGY DEVELOPMENT Co Ltd
Priority to CN201811641185.9A priority Critical patent/CN109779938B/zh
Publication of CN109779938A publication Critical patent/CN109779938A/zh
Application granted granted Critical
Publication of CN109779938B publication Critical patent/CN109779938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种离心压缩机组智能联锁保护方法，能够提高离心压缩机组故障异常检测的准确率。该方法包括如下步骤：采集获得离心压缩机组正常工况运行数据和实时工况运行数据。针对离心压缩机组的I种故障，在正常工况运行数据和实时工况运行数据中，分别提取每种故障的特征值；针对每种故障的特征相空间均建立高斯混合模型，训练得到正常工况下和实时工况下第i种故障对应的特征相空间模型并计算欧式距离，判断该距离是否超过第i个报警门限，若是则报警并计算第i种故障的故障影响力无量纲指数为

Description

一种离心压缩机组智能联锁保护方法
技术领域
本发明涉及机械设备状态检测与机组联锁控制技术领域，具体涉及一种离 心压缩机组智能联锁保护方法。
背景技术
大型离心压缩机组作为石化行业的关键机械设备之一，其故障频发且危害 很大，一旦无法有效识别故障并报警停机，极有可能引起较大设备事故，造成 巨大损失。目前离心压缩机组已普遍配备了联锁保护系统，其主要是通过在轴 承上预埋探头来监测振动、位移、温度和转速等参数，通过机组监测系统(MMS) 实现超限停车保护。但传统的联锁保护系统无法及时识别机组异常，只能通过 单一过线报警停机方式进行保护，往往存在保护不足的问题；而且传统的联锁 保护系统对故障种类及其风险程度没有针对性，当出现虚假信号时经常导致联 锁停机，造成不必要的过保护现象。无论是保护不足或是过保护均不利于离心 压缩机的稳定运行，因此亟需对离心压缩机开展智能联锁保护技术研究，以进 一步提高故障的报警停机的可靠性与准确率。
发明内容
有鉴于此，本发明提供了一种离心压缩机组智能联锁保护方法，能够提高 离心压缩机组故障异常检测的准确率，防止过保护以及保护不足，提高实际工 程中离心压缩机组的运行可靠性。
为达到上述目的，本发明的技术方案为：一种离心压缩机组智能联锁保护 方法，包括如下步骤：
步骤1、采集获得m组离心压缩机组正常工况运行数据和m组实时工况运 行数据；m为经验值。
步骤2、针对离心压缩机组的I种故障，在正常工况运行数据和实时工况运 行数据中，分别提取每种故障的特征值；其中第i种故障的特征值个数为ni， i＝1～I。
步骤3、针对离心压缩机组的每种故障，建立特征值集合，即为特征相空间， 且针对每种故障的特征相空间均建立高斯混合模型。
采用正常工况运行数据中第i种故障对应的特征相空间数据训练第i种故障 的高斯混合模型，训练后得到正常工况下第i种故障对应的特征相空间模型；计 算正常工况下第i种故障对应的特征相空间模型的分布中心与分布半径，自学习 得到第i个报警门限。
采用实时工况运行数据中第i种故障对应的特征相空间数据训练第i种故障 的高斯混合模型，训练后得到实时工况下第i种故障对应的特征相空间模型；计 算实时工况下第i种故障对应的特征相空间模型的分布中心与分布半径。
步骤4、计算正常工况下和实时工况下第i种故障对应的特征相空间模型间 的欧式距离，并判断该距离是否超过第i个报警门限，若是则报警并进入步骤5； 否则返回步骤1。
步骤5、计算故障影响力无量纲指数，其中第i种故障的故障影响力无量纲 指数为H(i)。
V(i)为第i种故障劣化程度无量纲指数；
f(i,j)为实时工况运行数据中第i种故障的第j种特征值；
N(i,j)为正常工况运行数据中第i种故障的第j种特征值；
F(i,j)为对第i种故障的第j种特征值的自学习的报警门限；
k(i,j)为对第i种故障的第j种特征值的敏感性系数：
D(i)为第i种故障风险指数，为已知值。
Amax为离心压缩机组的监测参数总数量，At为步骤2中对于第i种故障，提 取特征值所用到的参数数量。
步骤6、判断若第i种故障的故障影响力无量纲指数为H(i)超过设定的故障 影响阈值，则将离心压缩机组进行联锁停机，否则离心压缩机组继续运行。
设定的故障影响阈值为经验值。
优选地，I＝10，即包括10故障，分别为：
第1种故障为掉叶片：n1＝4，第1种故障的数据特征值分别为振动加速度有 效值、速度有效值、1X幅值突变值以及1X相位突变值。
第2种故障为油膜振荡：n2＝2，第2种故障的数据特征值分别为振动速度有 效值以及0.45～0.49X幅值突变值。
第3种故障为碰摩：n3＝4，第3种故障的数据特征值分别为振动速度有效值、 1X及2X、3X等倍频幅值突变值。
第4种故障为质量不平衡：n4＝3，第4种故障的数据特征值分别为振动速度 有效值、1X幅值突变值以及1X相位突变值。
第5种故障为齿轮啮合缺陷：n5＝2，第5种故障的数据特征值分别为振动加 速度有效值以及齿轮啮合频率GMF值突变值。
第6种故障为联轴节精度过低或损伤：n6＝4，第6种故障的数据特征值分别 为振动速度有效值、以及1X、2X、3X等高倍频幅值突变值。
第7种故障为不对中：n7＝3，第7种故障的数据特征值分别为振动速度有效 值、1X及2X幅值突变值。
第8种故障为喘振：n8＝4，第8种故障的数据特征值分别为振动速度有效值 以及1/2、1/3、1/4X等分频幅值突变量。
第9种故障为气流激振：n9＝2，第9种故障的数据特征值分别为振动速度有 效值以及1/2、1/3、1/4X等分频幅值突变量。
第10种故障为油膜涡动：n10＝2，第10种故障的数据特征值分别为振动速 度有效值以及0.4～0.5X幅值突变量。
优选地，其特征在于，
D(1)＝1；D(2)＝0.97；D(3)＝0.95；D(4)＝0.91；D(5)＝0.88；D(6)＝0.87；D(7)＝0.85； D(8)＝0.84；D(9)＝0.84；D(10)＝0.83。
有益效果：
本发明提供的离心压缩机组智能联锁保护方法，能够有效解决传统的单一 报警限过限报警方式中异常检测误报漏报率高的问题，提高大型离心压缩机组 故障异常检测的准确率。本发明通过无量纲参数模型对不同故障影响进行量化， 而不是单纯的依赖人工经验，有效解决了保护不足和过保护的问题
具体实施方式
下面举实施例，对本发明进行详细描述。
本发明实施例提供了一种离心压缩机组智能联锁保护方法，能够有效解决 传统的单一报警限过限报警方式中异常检测误报漏报率高的问题，提高大型离 心压缩机组故障异常检测的准确率。该方法包括如下步骤：
步骤1、采集获得m组离心压缩机组正常工况运行数据和m组实时工况运 行数据；m为经验值。
步骤2、针对离心压缩机组的I种故障，在正常工况运行数据和实时工况运 行数据中，分别提取每种故障的特征值；其中第i种故障的特征值个数为ni， i＝1～I。
本发明实施例中，I＝10，表示离心压缩机中的10种常见的故障类别，分别 对应着掉叶片、油膜振荡、碰摩、质量不平衡、齿轮啮合缺陷、联轴节精度过 低或损伤、不对中、喘振、气流激振和油膜涡动故障，分别为：
第1种故障为掉叶片：n1＝4，第1种故障的数据特征值分别为振动加速度有 效值、速度有效值、1X幅值突变值以及1X相位突变值。
第2种故障为油膜振荡：n2＝2，第2种故障的数据特征值分别为振动速度有 效值以及0.45～0.49X幅值突变值。
第3种故障为碰摩：n3＝4，第3种故障的数据特征值分别为振动速度有效值、 1X及2X、3X等倍频幅值突变值。
第4种故障为质量不平衡：n4＝3，第4种故障的数据特征值分别为振动速度 有效值、1X幅值突变值以及1X相位突变值。
第5种故障为齿轮啮合缺陷：n5＝2，第5种故障的数据特征值分别为振动加 速度有效值以及齿轮啮合频率GMF值突变值。
第6种故障为联轴节精度过低或损伤：n6＝4，第6种故障的数据特征值分别 为振动速度有效值、以及1X、2X、3X等高倍频幅值突变值。
第7种故障为不对中：n7＝3，第7种故障的数据特征值分别为振动速度有效 值、1X及2X幅值突变值。
第8种故障为喘振：n8＝4，第8种故障的数据特征值分别为振动速度有效值 以及1/2、1/3、1/4X等分频幅值突变量。
第9种故障为气流激振：n9＝2，第9种故障的数据特征值分别为振动速度有 效值以及1/2、1/3、1/4X等分频幅值突变量。
第10种故障为油膜涡动：n10＝2，第10种故障的数据特征值分别为振动速 度有效值以及0.4～0.5X幅值突变量。
步骤3、针对离心压缩机组的每种故障，建立特征值集合，即为特征相空间， 且针对每种故障的特征相空间均建立高斯混合模型。
采用正常工况运行数据中第i种故障对应的特征相空间数据训练第i种故障 的高斯混合模型，训练后得到正常工况下第i种故障对应的特征相空间模型；计 算正常工况下第i种故障对应的特征相空间模型的分布中心与分布半径，自学习 得到第i个报警门限。
采用实时工况运行数据中第i种故障对应的特征相空间数据训练第i种故障 的高斯混合模型，训练后得到实时工况下第i种故障对应的特征相空间模型；计 算实时工况下第i种故障对应的特征相空间模型的分布中心与分布半径。
步骤4、计算正常工况下和实时工况下第i种故障对应的特征相空间模型间 的欧式距离，并判断该距离是否超过第i个报警门限，若是则报警并进入步骤5； 否则返回步骤1；
步骤5、计算故障影响力无量纲指数，其中第i种故障的故障影响力无量纲 指数为H(i)；
V(i)为第i种故障劣化程度无量纲指数；
f(i,j)为实时工况运行数据中第i种故障的第j种特征值；
N(i,j)为正常工况运行数据中第i种故障的第j种特征值；
F(i,j)为对第i种故障的第j种特征值的自学习的报警门限；其中第i种故障 的报警门限是一个多维向量，向量的每个元素位置为对应特征值的报警门限。
k(i,j)为对第i种故障的第j种数据特征值的敏感性系数：
D(i)为第i种故障风险指数，为已知值；对于故障风险指数D(i)，经大量故 障案例分析与验证，使用层次分析法所得的离心压缩机10种常见故障风险指数 如表1所示。
表1离心压缩机10种常见故障风险指数对照表
Amax为离心压缩机组的监测参数总数量，At为步骤2中对于第i种故障，提 取数据特征值所用到的参数数量。
步骤6、判断若第i种故障的故障影响力无量纲指数为H(i)超过设定的故障 影响阈值，则将离心压缩机组进行联锁停机，否则离心压缩机组继续运行；设 定的故障影响阈值为经验值。
本发明实施例中通过无量纲参数模型对不同故障影响进行量化，而不是单 纯的依赖人工经验，有效解决了保护不足和过保护的问题。
综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范 围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均 应包含在本发明的保护范围之内。

Claims (3)

1.一种离心压缩机组智能联锁保护方法，其特征在于，包括如下步骤：
步骤1、采集获得离心压缩机组正常工况运行数据和实时工况运行数据；
步骤2、针对所述离心压缩机组的I种故障，在所述正常工况运行数据和实时工况运行数据中，分别提取每种故障的特征值；其中第i种故障的特征值个数为ni，i＝1～I；
步骤3、针对所述离心压缩机组的每种故障，建立特征值集合，即为特征相空间，且针对每种故障的特征相空间均建立高斯混合模型；
采用所述正常工况运行数据中第i种故障对应的特征相空间数据训练第i种故障的高斯混合模型，训练后得到正常工况下第i种故障对应的特征相空间模型；计算正常工况下第i种故障对应的特征相空间模型的分布中心与分布半径，自学习得到第i个报警门限；
采用所述实时工况运行数据中第i种故障对应的特征相空间数据训练第i种故障的高斯混合模型，训练后得到实时工况下第i种故障对应的特征相空间模型；计算实时工况下第i种故障对应的特征相空间模型的分布中心与分布半径；
步骤4、计算正常工况下和实时工况下第i种故障对应的特征相空间模型间的欧式距离，并判断该距离是否超过所述第i个报警门限，若是则报警并进入步骤5；
否则返回步骤1；
步骤5、计算故障影响力无量纲指数，其中第i种故障的故障影响力无量纲指数为H(i)；
V(i)为第i种故障劣化程度无量纲指数；
f(i,j)为实时工况运行数据中第i种故障的第j种特征值；
N(i,j)为正常工况运行数据中第i种故障的第j种特征值；
F(i,j)为对第i种故障的第j种特征值的自学习的报警门限；
k(i,j)为对第i种故障的第j种特征值的敏感性系数：
D(i)为第i种故障风险指数，为已知值；
Amax为所述离心压缩机组的监测参数总数量，At为步骤2中对于第i种故障，提取特征值所用到的参数数量；
步骤6、判断若第i种故障的故障影响力无量纲指数为H(i)超过设定的故障影响阈值，则将所述离心压缩机组进行联锁停机，否则所述离心压缩机组继续运行；
所述设定的故障影响阈值为经验值。
2.如权利要求1所述的方法，其特征在于，I＝10，即包括10故障，分别为：
第1种故障为掉叶片：n1＝4，第1种故障的数据特征值分别为振动加速度有效值、速度有效值、1X幅值突变值以及1X相位突变值；
第2种故障为油膜振荡：n2＝2，第2种故障的数据特征值分别为振动速度有效值以及0.45～0.49X幅值突变值；
第3种故障为碰摩：n3＝4，第3种故障的数据特征值分别为振动速度有效值、1X及2X、3X等倍频幅值突变值；
第4种故障为质量不平衡：n4＝3，第4种故障的数据特征值分别为振动速度有效值、1X幅值突变值以及1X相位突变值；
第5种故障为齿轮啮合缺陷：n5＝2，第5种故障的数据特征值分别为振动加速度有效值以及齿轮啮合频率GMF值突变值；
第6种故障为联轴节精度过低或损伤：n6＝4，第6种故障的数据特征值分别为振动速度有效值、以及1X、2X、3X等高倍频幅值突变值；
第7种故障为不对中：n7＝3，第7种故障的数据特征值分别为振动速度有效值、1X及2X幅值突变值；
第8种故障为喘振：n8＝4，第8种故障的数据特征值分别为振动速度有效值以及1/2、1/3、1/4X等分频幅值突变量；
第9种故障为气流激振：n9＝2，第9种故障的数据特征值分别为振动速度有效值以及1/2、1/3、1/4X等分频幅值突变量；
第10种故障为油膜涡动：n10＝2，第10种故障的数据特征值分别为振动速度有效值以及0.4～0.5X幅值突变量。
3.如权利要求1所述的方法，其特征在于，
D(1)＝1；D(2)＝0.97；D(3)＝0.95；D(4)＝0.91；D(5)＝0.88；D(6)＝0.87；D(7)＝0.85；D(8)＝0.84；D(9)＝0.84；D(10)＝0.83。
CN201811641185.9A 2018-12-29 2018-12-29 一种离心压缩机组智能联锁保护方法 Active CN109779938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811641185.9A CN109779938B (zh) 2018-12-29 2018-12-29 一种离心压缩机组智能联锁保护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811641185.9A CN109779938B (zh) 2018-12-29 2018-12-29 一种离心压缩机组智能联锁保护方法

Publications (2)

Publication Number Publication Date
CN109779938A true CN109779938A (zh) 2019-05-21
CN109779938B CN109779938B (zh) 2021-06-22

Family

ID=66499542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811641185.9A Active CN109779938B (zh) 2018-12-29 2018-12-29 一种离心压缩机组智能联锁保护方法

Country Status (1)

Country Link
CN (1) CN109779938B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112817240A (zh) * 2020-12-30 2021-05-18 西安交通大学 一种基于深度强化学习算法的离心压缩机调控方法
CN113156899A (zh) * 2021-03-12 2021-07-23 张家口卷烟厂有限责任公司 安全联锁失效预测方法以及卷包生产系统
CN116756666A (zh) * 2023-08-15 2023-09-15 广东石油化工学院 一种多源数据融合的离心式压缩机健康状态评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5459652A (en) * 1977-10-19 1979-05-14 Matsushita Electric Ind Co Ltd Overload protection device of airconditioner
CN103147972A (zh) * 2013-03-19 2013-06-12 北京化工大学 一种基于多传感器信息融合的往复式压缩机故障诊断方法
CN104595170A (zh) * 2014-12-18 2015-05-06 中国矿业大学 一种自适应核高斯混合模型的空压机监控诊断系统及方法
CN104866704A (zh) * 2015-03-21 2015-08-26 北京化工大学 一种基于模糊综合评判的离心泵状态评估方法
CN104976139A (zh) * 2015-06-08 2015-10-14 北京化工大学 一种基于高斯模型的机械设备状态诊断方法
CN106446339A (zh) * 2016-08-29 2017-02-22 北京化工大学 基于狄利克雷混合模型的转动机械运行状态异常检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5459652A (en) * 1977-10-19 1979-05-14 Matsushita Electric Ind Co Ltd Overload protection device of airconditioner
CN103147972A (zh) * 2013-03-19 2013-06-12 北京化工大学 一种基于多传感器信息融合的往复式压缩机故障诊断方法
CN104595170A (zh) * 2014-12-18 2015-05-06 中国矿业大学 一种自适应核高斯混合模型的空压机监控诊断系统及方法
CN104866704A (zh) * 2015-03-21 2015-08-26 北京化工大学 一种基于模糊综合评判的离心泵状态评估方法
CN104976139A (zh) * 2015-06-08 2015-10-14 北京化工大学 一种基于高斯模型的机械设备状态诊断方法
CN106446339A (zh) * 2016-08-29 2017-02-22 北京化工大学 基于狄利克雷混合模型的转动机械运行状态异常检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔海生等: "二氧化碳压缩机组异常情况分析与对策", 《压缩机技术》 *
董良遇: "往复压缩机运行状态风险评价技术研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112817240A (zh) * 2020-12-30 2021-05-18 西安交通大学 一种基于深度强化学习算法的离心压缩机调控方法
CN113156899A (zh) * 2021-03-12 2021-07-23 张家口卷烟厂有限责任公司 安全联锁失效预测方法以及卷包生产系统
CN113156899B (zh) * 2021-03-12 2022-07-29 张家口卷烟厂有限责任公司 安全联锁失效预测方法以及卷包生产系统
CN116756666A (zh) * 2023-08-15 2023-09-15 广东石油化工学院 一种多源数据融合的离心式压缩机健康状态评估方法
CN116756666B (zh) * 2023-08-15 2023-11-24 广东石油化工学院 一种多源数据融合的离心式压缩机健康状态评估方法

Also Published As

Publication number Publication date
CN109779938B (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN109779938A (zh) 一种离心压缩机组智能联锁保护方法
CN106438310B (zh) 一种基于监控输出压力防止柱塞泵抽空的方法
CN105928710B (zh) 一种柴油机故障监测方法
CN106372735B (zh) 一种继电保护状态评估方法
CN105628421A (zh) 一种水电机组分工况振摆越限监测预警方法
CN106610345B (zh) 一套用于空间环境模拟试验设备的健康状态监测系统
CN107449979B (zh) 一种基于基波零序特征的电流电压状态监测方法及装置
CN109707653A (zh) 一种天然气长输管道离心压缩机组智能监控系统
CN106050637A (zh) 一种大型变转速给水泵运行状态的在线监测方法
CN105486917B (zh) 一种节能型输电线损耗和故障检测方法
CN112329357A (zh) 一种清水离心泵振动故障的简易诊断方法及诊断系统
CN108764761A (zh) 一种基于3d管道模型的火电厂高温蒸汽管道全寿命周期管理系统及其运行方法
CN110254793A (zh) 一种卷烟机组在线扭矩监测和控制系统
CN101725519A (zh) 一种高炉鼓风机入口温度测试的方法
CN105486980B (zh) 一种输电线节能安全运行系统
CN204330069U (zh) 一种空冷塔液位检测装置
CN204808407U (zh) 储气库地面设备的风险评估系统
CN106896833A (zh) 原油罐区液位防护安全控制方法
CN202483646U (zh) 汽轮机智能润滑系统
CN106640230B (zh) 一种硝酸机组联锁控制方法
CN109630450A (zh) 一种天然气长输管道离心压缩机组停机保护方法
CN104266536B (zh) 一种空冷塔液位控制方法及装置
CN109872511A (zh) 一种针对轴向位移突变监测的自适应两级报警方法
CN203338028U (zh) 一种氨气泄漏保护装置
CN107380782B (zh) 可准确判断并缓解除尘器事故性积灰的灰斗装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant